ٹیورنگ ٹیسٹ اور اس کی جگہ کیا آیا

ٹیورنگ نے اصل میں کیا تجویز کیا

1950 میں، Alan Turing نے پوچھا کہ آیا مشینیں سوچ سکتی ہیں اور تیزی سے اس فلسفیانہ طور پر الجھے ہوئے سوال کو ایک عملیاتی سوال سے بدل دیا۔ اپنے «نقالی کھیل» میں، ایک انسانی تفتیش کار نے متن کے ذریعے ایک انسان اور ایک مشین سے بات چیت کی اور یہ شناخت کرنے کی کوشش کی کہ کون کون ہے۔ Turing نے اسے مشینی ذہانت پر بحث کرنے کے ایک طریقے کے طور پر پیش کیا، ایک ناقابلِ رسائی اندرونی جوہر کے بجائے قابلِ مشاہدہ رویے کے ذریعے (Turing، «Computing Machinery and Intelligence»)۔

یہ خیال گہرا تھا، لیکن مانوس جملہ «ٹیورنگ ٹیسٹ پاس کرتا ہے» بہت سے انتخاب چھپاتا ہے۔ گفتگو کتنی لمبی ہے؟ جج کیا جانتا ہے؟ کن موضوعات کی اجازت ہے؟ کتنے جج شریک ہوتے ہیں، اور کامیابی کے لیے کون سی غلطی کی شرح شمار ہوتی ہے؟ Turing نے کوئی جدید سرٹیفیکیشن پروگرام ایک واحد سرکاری حد کے ساتھ قائم نہیں کیا۔ یہ ٹیسٹ ایک فکری تجربہ اور تحقیقی سنگِ میل ہے، کسی AGI ریگولیٹر کا پیمائشی آلہ نہیں۔

گفتگو کو دھوکہ دینا کیوں آسان ہو گیا

نقالی کھیل کسی نظام کو کسی مخصوص تعامل میں انسان جیسا نظر آنے پر انعام دیتا ہے۔ یہ حقیقی وسعت سے حاصل ہو سکتا ہے، لیکن ٹال مٹول، رول پلے، مزاح، جان بوجھ کر غلطیوں، یا کسی جج کی توقعات کا استحصال کر کے بھی۔ ابتدائی چیٹ بوٹ ELIZA نے 1960 کی دہائی میں دکھایا کہ لوگ آسانی سے سطحی گفتگو کے نمونوں پر سمجھ کا گمان کر لیتے ہیں۔ آج کے زبان کے ماڈلز کہیں زیادہ مربوط مکالمہ تخلیق کرتے ہیں، جو انسان نمائی کو اور بھی آسان بنا دیتا ہے۔

مختصر متنی گفتگو پاس کرنا قابلِ اعتماد منصوبہ بندی، ریاضیاتی درستگی، سائنسی فیصلہ سازی، جسمانی دنیا کی اہلیت، یا غلطیوں سے سنبھلنے کی صلاحیت ظاہر نہیں کرے گا۔ یہ یہ نہیں دکھائے گا کہ ماڈل کوئی نئی ملازمت سیکھ سکتا ہے، کسی طویل منصوبے میں مقاصد کو برقرار رکھ سکتا ہے، یا یہ پہچان سکتا ہے کہ اسے کب کسی انسان کو معاملہ سونپنا چاہیے۔ اس کے برعکس، کوئی طاقتور غیر زبانی نظام سائنس یا لاجسٹکس کو بدل سکتا ہے جبکہ ایک عام بولنے والے کی نقالی کرنے میں ناکام رہے۔ انسانی مشابہت اہم مشینی صلاحیت کے لیے نہ ضروری ہے نہ کافی۔

یہ ٹیسٹ ذہانت کو دھوکہ دہی کے ساتھ بھی گڈمڈ کرتا ہے۔ کسی نظام کو خود کو دیانتداری سے مشین کے طور پر شناخت کرنے پر سزا مل سکتی ہے اور کسی جج کو اس کے برعکس یقین دلانے پر انعام مل سکتا ہے۔ یہ حفاظتی تشخیص کے لیے ایک ناقص میل ہے، جہاں معیاری غیریقینی، سراغ رسانی، اور دیانتدارانہ انکشاف اکثر سماجی قابلِ فہمیت سے زیادہ اہم ہوتے ہیں۔

ایک ٹیسٹ سے تشخیصی پورٹ فولیو تک

جدید تشخیص بہت سے کاموں کے سوٹ استعمال کرتی ہے کیونکہ ذہانت کثیر الابعاد ہے۔ علم اور استدلالی بینچ مارک مضامین میں سوالات جانچتے ہیں؛ کوڈنگ تشخیصات ٹیسٹ کیسز کے خلاف تخلیق کردہ پروگرام چلاتی ہیں؛ ملٹی موڈل ٹیسٹ متن، خاکے، تصاویر، آڈیو، اور ویڈیو کو ملاتے ہیں؛ ایجنٹ بینچ مارک ماڈلز کو ایسے تعاملی ماحول میں رکھتے ہیں جہاں انہیں نیویگیٹ کرنا، سافٹ ویئر استعمال کرنا، اور مقاصد مکمل کرنا ہوتا ہے۔

ہر خاندان ایک تنگ سوال کا جواب دیتا ہے۔ MMLU، مثال کے طور پر، تعلیمی اور پیشہ ورانہ کثیر الانتخابی علم کا نمونہ لیتا ہے، لیکن اعلیٰ اسکور یہ ثابت نہیں کرتے کہ کوئی ماڈل ان پیشوں کی مشق کر سکتا ہے۔ GAIA معاونین کو حقیقی دنیا کے سوالات پر جانچتا ہے جن کے لیے استدلال، آلات، اور کئی مراحل درکار ہو سکتے ہیں (GAIA پیپر)۔ OSWorld حقیقی آپریٹنگ سسٹم ایپلیکیشنز میں کمپیوٹر استعمال کرنے والے ایجنٹوں کو جانچتا ہے (OSWorld پیپر)۔ ARC-AGI ذخیرہ شدہ علم کو دوبارہ پیدا کرنے کے بجائے نئے بصری استدلالی کاموں کے مطابق ڈھلنے پر مرکوز ہے (ARC Prize بینچ مارک)۔ یہ تشخیصات مختلف طاقتیں اور ناکامی کے انداز ظاہر کرتی ہیں؛ کوئی بھی AGI کا پتہ لگانے والا نہیں۔

کام کی تکمیل کے مطالعے وقت اور پیچیدگی کی ایک جہت شامل کرتے ہیں۔ METR اس انسانی-ماہر کام کے دورانیے کا تخمینہ لگاتا ہے جس پر کسی ایجنٹ کے پاس کامیابی کا ایک مخصوص امکان ہوتا ہے۔ اس کا موجودہ سوٹ بنیادی طور پر سافٹ ویئر انجینئرنگ، مشین لرننگ، اور سائبر سیکیورٹی کا احاطہ کرتا ہے، اور ادارہ واضح طور پر خبردار کرتا ہے کہ «ٹائم ہورائزن» انسانی وقت میں ناپی گئی کام کی مشکل ہے — وہ دورانیہ نہیں جس کے لیے کوئی AI آزادانہ طور پر کام کر سکتا ہے (METR طریقہ کار)۔ یہ یہ بھی خبردار کرتا ہے کہ اچھی طرح متعین بینچ مارک کام زیادہ تر ملازمتوں سے صاف ستھرے ہیں اور کارکردگی شعبے کے حساب سے شدید طور پر مختلف ہوتی ہے۔

اعتماديت کسی اسکور کے معنی بدل دیتی ہے

زیادہ داؤ والے استعمال کے لیے اوسط کارکردگی کافی نہیں۔ ایک نظام جو نصف وقت کامیاب ہوتا ہے وہ تحقیق کے لیے متاثر کن ہو سکتا ہے پھر بھی طب، ہوابازی، یا بنیادی ڈھانچے میں ناقابلِ استعمال ہو۔ اس لیے جانچنے والوں کو کامیابی کی شرحیں، دہرائے گئے ٹرائلز، بدترین صورتحال کا رویہ، غیریقینی کے وقفے، اور تقسیم کی تبدیلی کے تحت ٹیسٹ درکار ہیں۔ انہیں یہ ناپنا چاہیے کہ آیا کوئی ماڈل جانتا ہے کہ وہ کب غیریقینی ہے، وضاحت طلب کرتا ہے، اور محفوظ طریقے سے کنٹرول واپس دیتا ہے۔

تشخیصی سیٹ اپ اتنا ہی اہم ہے جتنا بنیادی ماڈل۔ آلے تک رسائی، پرامپٹ کے الفاظ، میموری، نمونہ گیری کی سیٹنگز، استدلالی وقت کی کمپیوٹیشن، اور ارد گرد کا ایجنٹ سافٹ ویئر نتائج کو خاطر خواہ حد تک بدل سکتے ہیں۔ کوئی اسکور کسی بیان کردہ تاریخ پر ایک آزمائے گئے نظام کی تشکیل سے تعلق رکھتا ہے۔ اسے کسی ماڈل کے نام کی لازوال خصوصیت سمجھنا غلط موازنوں کی حوصلہ افزائی کرتا ہے۔

ڈیٹا آلودگی ایک اور مسئلہ ہے۔ عوامی بینچ مارک سوالات اور حل تربیتی ڈیٹا میں ظاہر ہو سکتے ہیں۔ لفظ بہ لفظ یادداشت کے بغیر بھی، بینچ مارک پر مرکوز ٹیوننگ مساوی عمومیت کے بغیر کوئی اسکور بہتر بنا سکتی ہے۔ بہتر تشخیصات نجی یا نئے تخلیق کردہ کام استعمال کرتی ہیں، ممکنہ نمائش دستاویز کرتی ہیں، اور اکثر تازہ کرتی ہیں۔ آزادانہ جانچ اس خطرے کو کم کرتی ہے — ختم نہیں کرتی — کہ کوئی ڈویلپر صرف سازگار نتائج منتخب کرے۔

حفاظتی تشخیص مختلف سوالات پوچھتی ہے

صلاحیتی تشخیص یہ ناپتی ہے کہ کوئی نظام سازگار حالات میں کیا کر سکتا ہے۔ حفاظتی تشخیص پوچھتی ہے کہ یہ کیا کر سکتا ہے جب اس کا غلط استعمال ہو، دباؤ ڈالا جائے، دھوکہ دیا جائے، متضاد ہدایات دی جائیں، یا کسی اہم ماحول میں رکھا جائے۔ متعلقہ ٹیسٹوں میں حیاتیاتی یا سائبر بدسلوکی میں معاونت، ہیرا پھیری، خودمختاری، حفاظتی تدابیر سے بچاؤ، دھوکہ دہی، اور وسائل حاصل کرنے کی صلاحیت شامل ہیں۔ 2026 کی International AI Safety Report زور دیتی ہے کہ تشخیصات کو محدود بیرونی درستگی، تیز متروکیت، اور فرنٹیئر نظاموں تک نامکمل رسائی کا سامنا ہے (International AI Safety Report 2026)۔

ریڈ ٹیمیں تخلیقی طور پر ناکامیاں تلاش کرتی ہیں، جبکہ منظم بینچ مارک موازنے کو ممکن بناتے ہیں۔ حقیقی دنیا کی نگرانی پھر جانچتی ہے کہ آیا تعیناتی سے پہلے کے نتائج نے اصل استعمال کی پیش گوئی کی۔ واقعے کی رپورٹنگ ضروری ہے کیونکہ کوئی بھی لیبارٹری سوٹ ہر سیاق کا شمار نہیں کر سکتا۔ کسی تشخیصی نظام کو نتائج کو فیصلوں سے جوڑنا چاہیے: اضافی حفاظتی تدابیر، محدود آلاتی رسائی، مرحلہ وار ریلیز، بیرونی جائزہ، یا کسی متعین حد کے عبور ہونے پر تعیناتی کا توقف۔

کسی قابلِ اعتماد AGI تشخیص کو کیا درکار ہو گا

Google DeepMind کا «Levels of AGI» فریم ورک دلیل دیتا ہے کہ تشخیصات کو کارکردگی اور عمومیت دونوں کا احاطہ کرنا چاہیے اور اس انسان-AI تعامل پر غور کرنا چاہیے جس کے ذریعے صلاحیت ظاہر ہوتی ہے (DeepMind فریم ورک)۔ کسی قابلِ اعتماد تشخیص کو وسیع شعبے، حقیقی معنوں میں نئے کام، متعدد کارکردگی کی سطحیں، اور خودمختاری کی واضح رپورٹنگ درکار ہو گی۔ یہ منتقلی، سیکھنے کی کارکردگی، مضبوطی، سماجی تعامل، اور کھلے عام کام کو جانچے گی — صرف امتحانی سوالات نہیں۔

اسے آزادانہ تکرار اور مخالفانہ جانچ بھی درکار ہو گی۔ ڈویلپرز کو خطرناک تفصیلات ظاہر کیے یا نجی ٹیسٹوں سے سمجھوتہ کیے بغیر دعووں کی تعبیر کے لیے کافی طریقہ کار شائع کرنا چاہیے۔ نتائج کو بنیادی ماڈل کو آلات اور اسکیفولڈنگ سے الگ کرنا چاہیے، ناکامی کی مثالیں شامل کرنی چاہئیں، اور ایک مرکب عدد کو مابعد الطبیعیاتی فیصلے میں بدلنے سے گریز کرنا چاہیے۔

جانشین ایک ڈیش بورڈ ہے، فنش لائن نہیں

کسی جدید ٹیسٹ نے Turing کے کھیل کی جگہ اس معنی میں نہیں لی کہ وہ AGI کا عالمگیر طور پر تسلیم شدہ دروازہ بن گیا ہو۔ اس کی جگہ جو آیا وہ ایک پورٹ فولیو ہے: علمی ٹیسٹ، نئے استدلالی کام، تعاملی ماحول، کام-افق کی پیمائشیں، شعبہ جاتی ماہرانہ جائزہ، خطرناک-صلاحیت تشخیصات، اور تعیناتی سے شواہد۔

یہ جواب کسی جج کو دھوکہ دینے والی مشین سے کم ڈرامائی ہے، لیکن زیادہ مفید ہے۔ صحیح سوال اب «کیا یہ پاس ہوا؟» نہیں رہا۔ یہ ہے: یہ نظام کن حالات کے تحت، کس مدد کے ساتھ قابلِ اعتماد طریقے سے کیا کر سکتا ہے، اور جب حالات بدلتے ہیں تو کیا ہوتا ہے؟ تاریخ شدہ شواہد کا ایک شفاف ڈیش بورڈ کسی بھی واحد فنش لائن سے صلاحیت اور خطرے کے لیے ایک بہتر رہنما فراہم کرتا ہے۔